快速 | 蛋白序列两两相似度矩阵计算

写在前面

Emmm，有时候，我们可能通过一些比对软件，如 BLAST , DIAMOND 或者 ghostz 得到一堆序列比对结果。当然，我们也可能从一些公共数据库如 NR, Swissprot 等下载一些序列。不可避免，会引入一些其实跟我们目标序列关联度不大的序列。如何快速识别，并去除这些序列，多少还是麻烦。
类似的场景，我遇到了几次，索性写个小工具来解决问题

蛋白序列两两相似度矩阵

使用简单，打开 「TBtools」对应功能

设置输入的 蛋白序列，随后点击 Compute 即可

计算结果即序列两两相似度矩阵

得到的矩阵，完全可以直接用 「TBtools」的 热图 功能直接可视化

可以简单的发现，确实混入了不少非本家族序列。可以通过各类方式，去掉不需要的序列，保留剩余的序列。用于其他分析....

当然，我们需要明白，多个序列的相似度计算，大体有两种模式：

1. 所有序列进行多序列比对，后续两两计算

2. 每两条序列分别做双序列比对，后续两两计算

两者区别即同源位点对齐的方式不同。前者在我们使用的序列都是同源序列，且长度完整时，优先选；在本例中常见，我们是明确知道存在异常序列，或者这个序列不是当前家族，或者这个序列有明显异常组成，那么后者合适。

写在最后

Emmm，随手一个小功能，我知道后面还会用到。